Paris Smaragdis z MIT pracuje nad tym, by maszyny lepiej słyszały

Profesor MIT Paris Smaragdis tworzy systemy, które potrafią bardziej inteligentnie analizować dźwięk – od rozróżniania głosów w nagraniach z hałasem po pomaganie maszynom w zrozumieniu tego, co dzieje się na nagraniu. Jak podaje profil MIT, jego praca ma na celu udoskonalenie sztucznej percepcji poprzez nauczanie komputerów nie tylko przetwarzania dźwięku, ale także jego słyszenia i interpretowania.

Smaragdis, który dołączył do MIT w 2025 roku, opisuje swoje badania jako audio-odpowiednik widzenia komputerowego. Jego zespół zajmuje się uczeniem maszynowym w zakresie separacji źródeł dźwięku, inteligentnymi urządzeniami, które mogą wzbogacać ludzkie otoczenie dźwiękowe, oraz narzędziami do analizy i tworzenia muzyki. W artykule czytamy, że długoterminowym celem nie jest zastąpienie muzyków, ale zapewnienie im lepszych narzędzi oraz zwiększenie użyteczności systemów audio w rzeczywistych warunkach.

W profilu tym przedstawiono jego muzyczną przeszłość w Grecji, studia w Berklee College of Music, a także późniejsze badania prowadzone w MIT Media Lab. Zwraca się w nim również uwagę, że jego prace znalazły już wcześniej praktyczne zastosowanie, m.in. w systemach audio stosowanych w urządzeniach oraz w pracach nad miniserialem dokumentalnym z 2021 roku The Beatles: Get Back, co pomogło ekipie zdobyć nagrodę Emmy za montaż dźwięku w 2022 roku.

Czym obecnie zajmuje się jego laboratorium

Jak wynika z artykułu opublikowanego przez MIT, obecny zespół Smaragdisa zajmuje się dwoma szerokimi obszarami: ulepszaniem komputerów jako narzędzi dla muzyków oraz opracowywaniem nowych metod przetwarzania dźwięku dla naukowców i artystów. Jak twierdzi, zespół bada również sposoby wykorzystania dużych modeli językowych w rozpoznawaniu mowy i poprawianiu jakości dźwięku, choć dodaje, że sztuczna inteligencja nie odnalazła jeszcze idealnej roli w dziedzinie dźwięku i muzyki.

• Główny cel: nauczyć maszyny rozumienia dźwięku, a nie tylko jego wykrywania.
• Zastosowania praktyczne: wykrywanie wypadków, monitorowanie procesów przemysłowych, narzędzia muzyczne oraz oczyszczanie sygnału audio.
• Pytanie otwarte: jak najlepiej połączyć sztuczną inteligencję z procesami pracy związanymi z dźwiękiem i muzyką.

Dla firm zajmujących się tworzeniem produktów audio jest to przypomnienie, że przydatna sztuczna inteligencja często zaczyna się od wąskiego, konkretnego problemu: oddzielania źródeł dźwięku, oczyszczania nagrań lub wykrywania zdarzeń w hałaśliwym otoczeniu. Zespoły działające w branżach mediów, produkcji, telekomunikacji czy inteligentnych urządzeń mogą przekonać się, że sztuczna inteligencja w dziedzinie audio może wnieść wartość dodaną, zanim jeszcze stanie się funkcją skierowaną do konsumentów.

Oryginalne źródło: MIT News

Jak daleko powinna posunąć się sztuczna inteligencja w interpretacji dźwięku, zanim zacznie ona przekształcać dzieła twórcze, zamiast je wspierać?